SPSS Handleiding

SPSS heeft verschillende toetsen die (bijna) allemaal andere “assumpties” hebben. Deze assumpties zorgen voor veel verwarring bij studenten en dat is begrijpelijk. Hier wordt er in algemeenheid uitgelegd wat er bij SPSS met assumpties wordt bedoeld. De assumpties voor de verschillende toetsen vind je bij de omschrijving per toets.

Onder descriptives vallen frequencies (aantallen) en descriptives (beschrijven) en explore (onderzoeken). Deze gebruik je om je data te beschrijven. Als je wilt weten hoeveel mannen en hoeveel vrouwen in je onderzoek voorkomen gebruik je frequencies. De gemiddelde leeftijd kun je achterhalen met descriptives. Explore wordt gebruikt om naar de “vorm” van je data te kijken, bijvoorbeeld of deze wel normaal verdeeld is (een belangrijke assumptie in de statistiek).

Wat is factor analyse? Factor analyse wordt gebruikt om te kijken of meerdere variabelen samen te voegen zijn tot één factor. De factor analyse kijkt naar onderliggende patronen en correlaties tussen de verschillende  items. Items die vergelijkbare patronen hebben worden bij elkaar geplaatst. Op deze manier ontstaat er een factor.

Wanneer gebruik je het? Als je de onderliggende structuur van een groep items wilt onderzoeken. Deze toets is dus niet bedoelt om een hypothese te toetsen maar om je data te reduceren tot (enkele) factoren.

Voorbeeld: Je hebt 8 vragen (V1 t/m V8). Met behulp van de factor analyse worden de vragen die onderling een hoge correlatie hebben (dus veel op elkaar lijken) geclusterd. V1 t/m V4 (motivatie gerelateerd) en V5 t/m V8 (intelligentie gerelateerd) worden samen geclusterd en vormen dus 2 aparte factoren. Door vervolgens V1 t/m V4 samen te nemen meet je de factor “motivatie” en V5 t/m V8 de factor “intelligentie”.

Wat is de t-test? Op basis van een gemiddelde wordt getoetst of er een verschil is met een gegeven gemiddelde (one sample t-test), het gemiddelde van een andere groep (Independent samples t-test) of dezelfde groep op een ander moment (Paired samples t-test).

Wanneer gebruik je het? Als je een hypothese wilt toetsen op basis van gemiddelden. De t-test is alleen geschikt voor één of twee groepen.

Voorbeeld van de Independent samples t-test: Je wilt de hypothese toetsen:  Zijn mannen gemiddeld intelligenter vrouwen? Je vergelijkt dan het gemiddelde van de mannen met die van de vrouwen.  

Voorbeeld van de paired samples t-test: Je wilt de hypothese toetsen: zijn mannen in januari intelligenter dan in juni? Je vergelijkt dan het gemiddelde van januari met het gemiddelde in juni van dezelfde groep mannen.

Voorbeeld van de one sample t-test: Je wilt de hypothese toetsen: zijn mannen intelligenter dan het landelijk gemiddelde (100)? Je vergelijkt dan het gemiddelde van de mannen in jouw steekproef met het landelijk gemiddelde (100).

Wanneer gebruik je het? Als je een hypothese wilt toetsen op basis van groepsgemiddelden van één onafhankelijke variabele of factor. Je toetst of er überhaupt een verschil aanwezig is tussen de gemiddelden en vervolgens hoe de verschillende gemiddelden van elkaar verschillen door gebruik te maken van de post hoc test. De ANOVA is geschikt om hypothesen te toetsen met twee of meer groepsgemiddelden.

Voorbeeld: Je wilt de hypothese toetsen: Zijn er verschillen in intelligentie tussen Nederlanders, Belgen en Duitsers? Je toetst dan of de gemiddelden van de Nederlanders, Belgen en Duitsers van elkaar verschillen en met de post hoc test welke groepen significant van elkaar verschillen.

Wanneer gebruik je het? Als je meerdere hypothesen wilt toetsen op basis van groepgemiddelden met twee of meer factoren of onafhankelijke variabelen. Hierdoor kunnen naast de effecten van de factoren op zich (hoofdeffecten), de gecombineerde effecten van de factoren worden getoetst (interactie-effecten).

Voorbeeld: Je wilt de volgende hypothese toetsen: Is er naast de hoofdeffecten van intelligentie en studie-uren  op het tentamencijfer ook een interactie-effect aanwezig? Je toetst dan of, naast dat je een hoger cijfer hebt omdat je intelligenter (hoofdeffect) bent en omdat je meer studeert (hoofdeffect), er nog een extra gecombineerd effect van de hoogte van intelligentie en aantal studie-uren bestaat (interactie-effect).

Wat is een regressieanalyse? De regressie analyse toetst of er een lineair of causaal verband is tussen één of meerdere onafhankelijke variabelen en één afhankelijke variabele. De regressie schat een rechte lijn die het best past bij een puntenwolk of scatterplot. Dit wordt berekend door te berekenen welke (geschatte) lijn de minste variantie heeft met de individuele punten (linear least-sqaure method).

Wanneer gebruik je het? Je wilt onderzoeken of één of meerdere onafhankelijke variabelen invloed hebben op één afhankelijke variabele. Tevens vertelt de regressie analyse of dit een positieve of negatieve invloed is.

Voorbeeld: Je wilt de volgende hypothese toetsen: De lengte in cm van een persoon (onafhankelijk) heeft een positieve invloed op het gewicht in kg (afhankelijk). Dit is een enkelvoudige regressie analyse omdat er gebruikt gemaakt wordt van één onafhankelijke variabele. Wordt er gebruik gemaakt van meer dan één onafhankelijke variabele, dan spreek je van een multiple regressie analyse.